Python爬虫实战 | (13) 爬取新浪滚动新闻

在本篇博客中，我们将使用selenium爬取新浪新闻中滚动页面的所有新闻内容，包括题目、时间、来源、正文，并存入MongoDB数据库。网址：https://news.sina.com.cn/roll。

打开后，发现这里都是一些滚动新闻，每隔1分钟就会刷新：

我们右键查看网页源代码，发现并没有当前页面的信息：

在源码页面搜索当前第一条新闻，并没有找到。

右键检查：

发现有当前页面的信息。说明当前页面是动态页面，即通过javascript渲染后得到的。因此，通过requests请求，是无法得到页面信息的，它得到的是网页最原始的代码，和右键查看网页源代码得到的是一致的。所以，我们需要使用selenium，模拟浏览器运行，来处理动态页面，从而爬取新闻信息。

程序主体框架如下：

import pymongo

import requests
from requests import RequestException
from selenium import webdriver
from bs4 import BeautifulSoup
from selenium.common.exceptions import NoSuchElementException


def get_response(url):
    pass

def get_news(link):
    # 获取新闻的详细信息
    pass

def get_page_news():
    #获取当前页面所有新闻的url
    pass



    

if __name__ == '__main__':
    #连接mongodb
    client = pymongo.MongoClient('mongodb://localhost:27017')
    #指定数据库
    db = client.News
    #指定集合
    news_col = db.sinaRollNews
    #打开浏览器
    browser = webdriver.Chrome()
    browser.implicitly_wait(10)
    #打开网址
    browser.get('https://news.sina.com.cn/roll/')
    #获取当前页面新闻的url
    get_page_news()
    while True:
        try:
            #找到下一页按钮 并点击
            '''
            <a href="javascript:void(0)" onclick="newsList.page.next();return false;">下一页</a>
            '''
            browser.find_element_by_xpath('//a[@onclick="newsList.page.next();return false;"]').click()
            #获取下一页新闻的url
            get_page_news()
        except NoSuchElementException:
            print("NoSuchElementException")
            browser.close()
            break

右键检查当前页面，查看新闻的url：

def get_page_news():
    #获取当前页面所有包含新闻的a标签
    news = browser.find_elements_by_xpath('//div[@class="d_list_txt"]/ul/li/span/a')
    for i in news:
        link = i.get_attribute('href') #得到新闻url
        print(link,i.text)
        if not news_col.find_one({'link':link}):  #通过url去重
            get_news(link)

获取页面的详细信息：

我们发现首页是动态页面，点击一条新闻进去之后的页面并不是动态页面，所以可以使用requests进行爬取。首先爬取每条新闻的页面信息。

def get_response(url):
    try:
        #添加User-Agent，放在headers中，伪装成浏览器
        headers = {
            'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
        }
        response = requests.get(url,headers=headers)
        if response.status_code == 200:
            response.encoding = 'utf-8'
            return response.text
        return None
    except RequestException:
        return None

解析页面信息，获取每条新闻的详细信息：

新闻正文分布在下图div标签的每个p标签中：

def get_news(link):
    # 获取新闻的详细信息
    html = get_response(link)
    #使用beautifulsoup进行解析
    soup = BeautifulSoup(html,'lxml')

    #标题
    '''
    <h1 class="main-title">证监会要求北京银行说明是否串通*ST康得管理层舞弊</h1>
    '''
    title = soup.select('.main-title')
    #可能有小部分标题的标签不是上述格式 对其进行补充
    if not title:
        title = soup.select('#artibodyTitle')
    if title:
        title = title[0].text
    print(title)

    #日期
    '''
    <span class="date">2019年07月20日 16:52</span>
    '''
    date = soup.select('.date')
    # 可能有小部分日期的标签不是上述格式 对其进行补充
    if not date:
        date = soup.select('#pub_date')
    if date:
        date = date[0].text
    print(date)

    #来源
    '''
    <span class="source ent-source">中国证券报</span>
    '''
    source = soup.select('.source')
    # 可能有小部分来源的标签不是上述格式 对其进行补充
    if not source:
        source = soup.select('[data-sudaclick="media_name"]')
    if source:
        source = source[0].text
    print(source)

    #正文
    article = soup.select('div[class="article"] p')
    # 可能有小部分正文的标签不是上述格式 对其进行补充
    if not article:
        article = soup.select('div[id="artibody"] p')
    if article:
        #把正文放在一个列表中 每个p标签的内容为列表的一项
        article_list = []
        for i in article:
            print(i.text)
            article_list.append(i.text)
    #转为字典格式
    news = {'link': link, 'title': title, 'date': date, 'source': source, 'article': article_list}

    news_col.insert_one(news)

爬取效果：

完整代码：

import pymongo

import requests
from requests import RequestException
from selenium import webdriver
from bs4 import BeautifulSoup
from selenium.common.exceptions import NoSuchElementException


def get_response(url):
    try:
        #添加User-Agent，放在headers中，伪装成浏览器
        headers = {
            'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
        }
        response = requests.get(url,headers=headers)
        if response.status_code == 200:
            response.encoding = 'utf-8'
            return response.text
        return None
    except RequestException:
        return None

def get_news(link):
    # 获取新闻的详细信息
    html = get_response(link)
    #使用beautifulsoup进行解析
    soup = BeautifulSoup(html,'lxml')

    #标题
    '''
    <h1 class="main-title">证监会要求北京银行说明是否串通*ST康得管理层舞弊</h1>
    '''
    title = soup.select('.main-title')
    #可能有小部分标题的标签不是上述格式 对其进行补充
    if not title:
        title = soup.select('#artibodyTitle')
    if title:
        title = title[0].text
    print(title)

    #日期
    '''
    <span class="date">2019年07月20日 16:52</span>
    '''
    date = soup.select('.date')
    # 可能有小部分日期的标签不是上述格式 对其进行补充
    if not date:
        date = soup.select('#pub_date')
    if date:
        date = date[0].text
    print(date)

    #来源
    '''
    <span class="source ent-source">中国证券报</span>
    '''
    source = soup.select('.source')
    # 可能有小部分来源的标签不是上述格式 对其进行补充
    if not source:
        source = soup.select('[data-sudaclick="media_name"]')
    if source:
        source = source[0].text
    print(source)

    #正文
    article = soup.select('div[class="article"] p')
    # 可能有小部分正文的标签不是上述格式 对其进行补充
    if not article:
        article = soup.select('div[id="artibody"] p')
    if article:
        #把正文放在一个列表中 每个p标签的内容为列表的一项
        article_list = []
        for i in article:
            print(i.text)
            article_list.append(i.text)
    #转为字典格式
    news = {'link': link, 'title': title, 'date': date, 'source': source, 'article': article_list}

    news_col.insert_one(news)


def get_page_news():
    #获取当前页面所有包含新闻的a标签
    news = browser.find_elements_by_xpath('//div[@class="d_list_txt"]/ul/li/span/a')
    for i in news:
        link = i.get_attribute('href') #得到新闻url
        print(link,i.text)
        if not news_col.find_one({'link':link}):  #通过url去重
            get_news(link)




if __name__ == '__main__':
    #连接mongodb
    client = pymongo.MongoClient('mongodb://localhost:27017')
    #指定数据库
    db = client.News
    #指定集合
    news_col = db.sinaRollNews
    #打开浏览器
    browser = webdriver.Chrome()
    browser.implicitly_wait(10)
    #打开网址
    browser.get('https://news.sina.com.cn/roll/')
    #获取当前页面新闻的url
    get_page_news()
    while True:
        try:
            #找到下一页按钮 并点击
            '''
            <a href="javascript:void(0)" onclick="newsList.page.next();return false;">下一页</a>
            '''
            browser.find_element_by_xpath('//a[@onclick="newsList.page.next();return false;"]').click()
            #获取下一页新闻的url
            get_page_news()
        except NoSuchElementException:
            print("NoSuchElementException")
            browser.close()
            break